PSO算法在电力系统的应用

高叶军 连志刚 曹宇

摘 要：粒子群算法（PSO）作为群智能算法的主要方法之一。自提出开始，便引起了众多研究学者的关注。PSO 算法属于进化算法的一种，通过追随当前搜索到的最优值来寻找全局最优。在查阅大量文献的基础上，本文首先简单介绍了群智能的概念，简述了粒子群算法的基本原理。然后，详细叙述了PSO算法在电力网络规划，经济调度等电力系统领域中的应用，并回顾了前人及当前的研究成果。最后，指出了PSO算法未来的发展方向和研究重点。

关键词：粒子群算法 电力系统 群智能 机组组合

中图分类号：TP301 文献标识码：A 文章编号：1672-3791（2014）07（a）-0035-02

随着人类对大自然探索和了解不断加深，复杂的，非线性等问题越来越多，传统的解决方法显得日益不足，促使人们不断寻求新的手段。几千年以来，自然界就是人类各种技术思想、工程原理及重大发明的源泉。群智能的概念最早是由文献[1]在分子自动机系统中提出。Bonabeau将任何启发于群居性生物群体集体行为而设计的算法和分布式问题解决装置都称为群体智能[2]。面对现代社会的需求，智能算法的应用得到快速的发展，粒子群优化算法正是其中之一，粒子群优化算法（PSO）是一种进化计算技术（evolutionary computation），1995 年由Eberhart 博士和kennedy博士提出，源于对鸟群捕食的行为研究[3]。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在电力系统中的应用起步较晚，随着研究的进一步加深，相信PSO算法将在电力系统中得到广泛的应用。

1 PSO算法原理

式中k为迭代代数；c1，c2为学习因子；w为惯性系数；pid（k）pgd（k）分别为粒子的个体历史最优解和全局最优解。粒子不断通过学习更新，最终飞到解空间中最优解所在位置。

2 PSO算法在电力系统中的主要应用领域

2.1 电力网络规划

电力网络规划是电力系统基于用户负载，科学、合理规划的一端的主电网输电网络经济的发展。在文献[4]中提出粒子群优化离散化算法（DPSO），通过对18节点系统的算例解析，显示了算法的有效性和可行性。电力网络的扩展，考虑到边界搜索和粒子群算法收敛性会受到初始种群的影响，文献[5]提出了粒子群初始化方法。该方法通过具体的算例进行验证，它得出结论是该方法是有效的和可行。

2.2 自动发电控制与经济优化调度

自动发电控制（AGC）是在电厂生产过程监控控制的基础上，根据系统频率，联修线所带负荷或者他们相互之间关系的变化，调节指定区域内个发电机的有功出力来维持系统频率在预定值内，实现最佳负荷-频率控制（LFC），使全系统的发电出力与负荷相匹配，并在区域发电源之间实现在线的负荷经济分配。文献[6]进行自动发电控制（AGC）负荷频率控制（LFC）时，提出了一种改进的粒子群优化算法。该算法优化PI控制器参数与仿真，结果显示其性能大大优于遗传算法。电力系统的经济优化调度关键在与机组的优化组合，科学合理地优化个机组的运行水平，降低企业成本，为发电厂在电力市场上网竞价提供依据。李铁苍[7]通过粒子群优化算法理论的研究，分析算法的各种参数的影响。然后，利用该算法来优化火电厂机组负荷。最后对3机系统进行分析，结果表明，PSO算法比其他传统优化算法有更好的优化结果，并且能更快的接近或达到全局最优解。

2.3 短期发电计划与机组检修计划

电力系统短期发电计划是在满足系统安全和质量要求的条件下确定一定调度周期内各个时段系统机组的运行状态，并相应地确定个机组的运行出力。对于火电厂与水电站的联合调度问题，文献[8]建立一个短期优化的模型，为解决此优化模型，作者提出一种改进的粒子群优化算法，该算法引入了变异操作和迁徙操作，其结果表明，此算法具有较好的可行性。机组检修计划是电力系统运行一项重要部分。文献[9]把经济成本作为目标函数，建立发电机组检修计划优化问题（UMS）新模型，提出了改进离散粒子群优化算法，对IEEE-RTS系统测试，结果顯示，提出的改进的离散粒子群算法比传统离散粒子群优化算法收敛速度快并且精度更高。

2.4 无功优化控制与最优潮流计算

无功电压优化控制是实现最优潮流的一项十分重要内容，电力系统最优潮流是一个复杂的多约束混合整数优化问题。风光互补发电系统是一个开放式，分布式系统，文献[10]以有功功率损耗最小为目标函数，建立包含电压稳定的电压无功优化模型，基于均匀设计和惰性变异，提出一种新的粒子群优化算法。仿真实验表明，该算法可以实现电压无功优化控制。文献[11]将混沌优化算法与粒子群优化算法相结合，提出一种新的粒子群算法—— 混沌粒子群优化算法。文章通过对算例的分析验证，结果显示自适应混沌粒子群算法能较好的得到全局最优并且收敛速度快。

2.5 电力系统状态估计与参数辨识

电力系统状态估计是能量管理（EMS）的核心功能之一。它是一个复杂的多极值优化问题，经典的加权最小二乘法状态估计算法存在一定的不足。PSO算法提供了状态估计的一个新途径。黄姝雅为对同步相量测量单元（phase measurement unit，PMU）的配置点进行优化，建立了以动态状态估计为目标函数的模型，并通过离散粒子群算法手段加以处理。在文章最后，通过仿真验证，离散粒子群算法能有较好的精度性能，提高了状态估计的精度[12]。文献[13]提出一种新的粒子群协同优化算法（PSCO）并将其用于异步电机静态参数辨识。

2.6 电力系统稳定器优化设计

电力稳定器（PPS）可以抑制电力系统因负阻尼而产生的低频振荡。而PPS设计与性能与各种参数有较大的关联。祁万春等[14]将粒子群优化算法（PSO）用于PSS参数优化中，使用包括交叉混合粒子群算法，先优化PSS超前-滞后环节参数，后整定PSS放大倍数。结果显示，混合粒子群优化算法在PSS参数优化问题上是可行的和有效的。

3 结语

PSO算法是基于群智能的一种新的优化算法，在电力系统中的应用研究时间并不长。本文在介绍PSO优化算法的基础上，介绍了PSO算法在电力系统的主要领域的研究现状。随着电力系统技术的不断更新和电力市场的不断完善，PSO算法与遗传算法，模糊理论等相结合将推动电力系统理论的发展。

参考文献

[1] Hackwood S，Beni G.Self-organization of sensors for swarm intelligence[C]. IEEE International conference on Robotics and Automation， Piscataway，NJ：IEEE Press，1992，1：819-829.

[2] Bonabeau，E.，Dorigo，M.&Theraulaz， G..Swarm Intelligence： From Natural to Artificial Systems，Oxford Univ.Press，New York，1999.

[3] J Kennedy，R Eberhart.Particle Swarm Optimization[C].In：Proc IEEE Int Conf on Neuml Networks，1995：1942-194.

[4] 顾永东，金义雄.粒子群算法及其在电网规划中的应用[J].电气应用，2007，26（2）：37-42，75.

[5] 牛东晓，凌云鹏，赵奇，等.一种适用于电网扩展规划问题的边界搜索粒子群优化算法[J].华北电力大学学报，2007，34（4）：80-84.

[6] 马飞，陈雪波，李小华.改进的粒子群算法在电力系统AGC中的应用[J].控制工程（S2）：56-59.

[7] 李铁苍，周黎辉，张光伟，等.基于粒子群算法的火电厂机组负荷优化分配[J].华北电力大学学报，2008，35（1）：44-47.

[8] 张景瑞，龙健，岳超源，等.水火电力系统短期优化调度的一种改进粒子群算法[J].控制与决策，2011，26（3）；407-412.

[9] 王曉滨，余秀月，杨贵钟.考虑机组组合问题的机组检修计划优化新模型[J].能源工程，2010，6：15-20，23.

[10] 张伯泉，杨宜民.风-光互补发电系统的电压控制[J].电力系统保护与控制，2008，36（16）：5-10.

[11] 李娟，杨琳，刘金龙，等.基于自适应混沌粒子群优化算法的多目标无功优化[J]电力系统保护与控制，2011，39（9）：26-31.

[12] 黄姝雅，刘天琪，陈绩.动态状态估计中PMU配置的离散粒子群优化算法[J].电网技术，2006，30（24）：68-72.

[13] 覃建波，邱小华，许宁，等.改进粒子群算法在异步电机静态参数识别中的应用[J].电机技术，2008，6.

[14] 祁万春，房鑫炎.基于混合粒子群优化算法的PSS参数优化[J].继电器，2005，33（13）；21-24.